最近我一直在攻读YOLOv3算法，想要深入了解YOLOv3算法，就需要先了解v1和v2算法，以下是我对v1和v2的解读。
YOLOv1的解读：《【深度学习YOLO系列】对YOLO v1的解读》
YOLOv2的解读：《【深度学习YOLO系列】对YOLO v2的解读》

---

YOLO v3模型结构

YOLO v3在2018年推出，基础框架为Darknet-53

YOLO v3总的详细结构图,由于图片太大，不便于直接放在博客里。

YOLO v3有三个不同特征尺度的输出，分别为13×13×255,26×26×255,52×52×255。

YOLO v3一般使用$416*416$416∗416大小的图片作为输入，最后得到的特征图为$13*13$13∗13，再大一些的特征图为$26*26$26∗26，再大一些的特征图为$52*52$52∗52。

YOLO v3在使用数据集训练时，如果数据集目标检测有20个种类，YOLOv3中每个cell有3个box，每个box还有 $(x, y, w, h, confidence)$(x,y,w,h,confidence) 五个基本参数，所以$3*(5 + 20) = 75$3∗(5+20)=75。如上面右边图的输出特征图所示。

对于416*416的图片，YOLOv2的bounding boxes有$13*13*5=845$13∗13∗5=845个，YOLOv3的bounding boxes有$3*(13*13+26*26+52*52)=10467$3∗(13∗13+26∗26+52∗52)=10467个。

YOLO-v3先验框

YOLOv3最大的改进就在其结构上的改进。使用的基础结构为Darknet53+多个尺度的特征图，来预测最后的结果。如上面描述所示。同时先验框也是一个重要的改进。

YOLOv3有三个不同特征尺度的输出，分别为13×13×255,26×26×255,52×52×255。

YOLOv2已经开始采用K-means聚类得到先验框的尺寸，YOLOv3延续了这种方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。在COCO数据集这9个先验框是：$(13×13)，(16×30),(33×23)，(30×61)，(62×45)，(59×119)，(116×90)，(156×198)，(373×326)$(13×13)，(16×30),(33×23)，(30×61)，(62×45)，(59×119)，(116×90)，(156×198)，(373×326)。

分配上，在最小的$13*13$13∗13 特征图上（有最大的感受野）应用较大的先验框 $(116×90)，(156×198)，(373×326)$(116×90)，(156×198)，(373×326) ，适合检测较大的对象。中等的 $26*26$26∗26 特征图上（中等感受野）应用中等的先验框 $(30×61)，(62×45)，(59×119)$(30×61)，(62×45)，(59×119) ，适合检测中等大小的对象。较大的$52*52$52∗52特征图上（较小的感受野）应用较小的先验框 $(13×13)，(16×30),(33×23)$(13×13)，(16×30),(33×23)，适合检测较小的对象。

特征图	13*13			26*26			52*52
感受野	大			中			小
先验框	(116×90)	(156×198)	(373×326)	(30×61)	(62×45)	(59×119)	(10×13)	(16×30)	(33×23)

如上面左边的图所示，在$13*13$13∗13 的特征图中，负责检测大的物体（如蓝色的先验框所示），在 $26*26$26∗26 的特征图中，负责检测中等的物体（如蓝色的先验框所示），在$52*52$52∗52 的特征图中，负责检测大物体（如图中比较小的先验框）。

如上面右边图展示的是，每个先验框都有对应的值（如85或25），前五个值包括位置值的偏移和置信度 $(x, y, w, h, confidence)$(x,y,w,h,confidence) ， 后面的值即为类别的概率值。

YOLOv3代价函数修改

YOLOv3对类别预测的代价函数进行了修改，但是没有使用softmax。首先说明一下为什么不用softmax，原来分类网络中的softmax层都是假设一张图像或一个object只属于一个类别，但是在一些复杂场景下，一个object可能属于多个类，比如你的类别中woman和person这两个类，那么如果一张图像中有一个woman，那么你检测的结果中类别标签就要和woman和person两个类，这就是多标签分类。

所以YOLOv3用逻辑回归层来对每个类别做二分类。逻辑回归层主要用到sigmoid函数，该函数可以将输出约束在0到1的范围内，因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就代表属于该类，这样一个框就可以预测多个类别。代价函数用的是sigmoid的交叉熵。

YOLOv3结果

YOLOv3的结果其实已经非常好了，不管在检测的速度上和检测的精度上。